摘要
将新疗法推向市场的成本高昂且高淘汰率促使人们寻找药物研发(R&D)的新框架。这些挑战延伸到临床领域，需要更好的患者分层和治疗匹配。此外，尽管深度学习取得了重大进展，但即使是最复杂的方法也依赖于静态分析结构。因此，疗法开发和应用中未解决的需求需要非常规思维来捕捉临床前和临床领域的动态过程。在这篇综述中，我们追溯了过去几十年中关键算法组件如何汇聚形成下一代深度学习，我们将之定义为"自适应学习"。这种新型稳健分析架构将通过自组织模型实现，其中随时间变化的输入可以指导深度网络适应偏差并优化学习。在液态神经网络(LNNs)、图注意力算法、数字孪生和工程研究中，已经出现了此类突破性解决方案的端倪。当我们回顾多个示例和应用时，我们想要强调发现和分析范式中出现的基本转变。只有继续开发新框架，我们才能捕捉复杂的疾病相互作用组，并识别或改进治疗途径。
洞察框 我们的工作强调了从深度学习角度出发，研发(R&D)和药物发现领域正在出现的转变。首先，我们识别并讨论了影响转化研究多个领域的药物发现中的缺失环节。然后，我们展示了关键算法、分析和技术组件如何汇聚以应对这些挑战。此外，我们阐述了应用AI和深度学习框架将如何改变以及已有哪些解决方案。因此，我们运用了新型深度学习架构、数字孪生和临床研究的实例。值得注意的是，从转化角度承认深度学习当前局限性的讨论非常少。因此，我们的工作不仅提供了新的见解，还为未来发展方向提供了指导，我们将之定义为"自适应学习"。
机器学习(ML), 深度学习, 系统医学, 系统生物学, 药物发现, 数字孪生
【全文结束】
